[发明专利]一种基于深度学习的餐饮业菜品销量预测方法

权利要求书

1.一种基于深度学习对餐饮业菜品销量进行预测的方法，其特征在于，包括如下步骤：

原始数据序列为菜品每天销量数据，根据销量日期所属工作日，将原始数据序列划分为普通工作日销量序列和节假日销量序列；其中普通工作日序列包含了周一销量数据至周天销量数据7个序列数据，节假日销量数据包含了14个节假日数据序列；

对于普通工作日销量的预测采用了深度学习中的长短期记忆网络(LSTM)模型，模型包含输入层、隐藏层与输出层，隐藏层由2个LSTM层组成，均采用tanh作为层级激活函数，输出层为全连接层，采用sigmoid激活函数，模型的输入为一个工作日菜品销量的历史数据，输出为下一个相同工作日的销量预测值；

由于不同节假日销量数据变化幅度不满足相同规律，根据节假日统计信息，对各个节假日进行了细致分析，按照节假日假期天数将节假日分为3类：

A：元旦节、清明节、劳动节、端午节；

B：春节、国庆节；

C：非法定节假日。

由于时间节点较近的节假日可能有假期的重叠，并且节假日数据量较少，节假日期间，菜品销量波动较大，但是相同节假日期间菜品总销量较为稳定，因此预测A、B两类节假日菜品销量分为两部分：首先预测节假日期间菜品销售总量，利用节假日前夕的数据与节假日期间总销量的关系进行预测，MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元，模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例，相同节假日销售总量共

有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，第二步根据历史节假日销售数据，为假期中的每一天分配权重，可得到假期中每天销量预测值；

C类节假日的销量预测也包含两个过程；第一步将C类节假日作为普通工作日进行销量预测，预测方法采用普通工作日菜品销量预测方法；第二步是根据历史节假日销量数据与节假日相同工作日的销量数据预测销量增幅，两者相加得到C类节假日的预测值。

2.根据权利要求1所述的一种基于深度学习对餐饮业的菜品销量预测方法，其特征在于，普通工作日销量的具体实施方法为：假定有菜品D在时间段2015-01-01(周四)至2017-01-01(周天)的销售数据O＝(s₁,s₂,s₃,……,s_n)；

其中s_i代表菜品D在该时间段内第i天的销量，根据销量所属日期的工作日和节假日日期进行数据划分，菜品销量s₁所属日期为星期四，则s₁属于星期四菜品销量序列，s₂则属于星期五菜品销量序列，当销量所属日期在节假日期间时，不将该销量数据添加进对应的普通工作日序列中，而将其添加到对应的节假日序列；

经划分后普通工作日历史销量数据如下：

周一销量数据：Mon_S＝(s₅,s₁₂,……,s_5+7×j)；

周二销量数据：Tue_S＝(s₆,s₁₃,……,s_6+7×j)；

周三销量数据：Wed_S＝(s₇,s₁₄,……,s_7+7×j)；

周四销量数据：Thu_S＝(s₁,s₈,……,thu_1+7×j)；

周五销量数据：Fri_S＝(s₂,s₉,……,s_2+7×j)；

周六销量数据：Sat_S＝(s₃,s₁₀,……,s_3+7×j)；

周天销量数据：Sun_S＝(s₄,s₁₁,……,s_4+7×j)；

将上述不同工作日的历史销量数据作为普通工作日销量模型的

输入，通过反向传播算法训练模型，每一个工作日都能得到一组模型参数，当销量预测日期为周一时，采用周一销量数据训练出来的模型参数，以此类推。

3.根据权利要求2所述的一种基于深度学习对餐饮业的菜品销量预测方法，其特征在于，对于3类节假日销量预测均包含两个过程，A、B类节假日利用节假日前夕的数据与节假日期间总销量的关系进行预测；取节假日前夕多周销量S＝(W_i,W_i+1,…,W_i+t)，其中t代表所取周数量，W_i表示完整周销量；模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例；MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元；利用S作为模型输入采用反向传播算法不断训练；相同节假日销售总量共有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，记为P_o；然后根据节假日期间历史销量数据，对于节假日期间每一天分配不同的权重(w₁,w₂,…,w_N)，最终可根据：

(P₁,P₂,…,P_N)＝P_o×(w₁,w₂,…,w_N)；

得到节假日期间每一天的菜品销量预测值，其中N代表节假日假期天数；当待预测日期属于A、B类节假日时，采用上述过程获得预测销量数据；

C类节假日首先采用上述普通工作日预测方法将C类节假日作为普通工作日进行销量预测，记预测值为P_o；C类节假日中销量增幅预测采用MLP模型进行预测，训练方法亦采用反向传播算法；记节假日当天菜品销量为S_h，模型的输入向量为与C类节假日相同工作日的销量值S，输出向量为销量(S_h-S)增幅占销量S的百分比a；则预测值为：

P＝P_o+(S+a)。